tensorflow学习笔记（1）: tf.name_scope的values参数是干嘛用的

 一、tf.name_scope的作用
   在讲values的作用之前，我首先简单讲下tf.name_scope这个函数是用来干嘛的，已经了解tf.name_scope作用的读者可以直接跳过到第二部分。
   tf.name_scope这个函数的目的是为了解决命名冲突问题，其接口如下：    

tf.name_scope(name,default_name=None,values=None)

   tf.name_scope具体用法如下例所示：

with tf.name_scope(None, "test_default_name",None):
    op = tf.constant(0)
print(op.name) # 输出 test_default_name/Const:0

with tf.name_scope("test_name", "test_default_name",None):
    op = tf.constant(0)
print(op.name) # 输出 test_name/Const:0

二、values这个参数的作用

     从上面的例子可以看出，name和default_name这两个参数已经足以解决“命名冲突”问题了，那values这个参数不是多余的么？其实不然，values这个参数的规定了应该把在with tf.name_scope区域里生成的tensor放到哪个计算图（graph）里。更具体地讲，在with tf.name_scope（values）这个区域内声明的tensor，都被放到了values所在的graph里。该功能的意义在于，它为我们省去了显式地声明某些tensor需要被放在哪个图中的麻烦。另外，需要注意的是，values里的所有tensor都应该在同一个图里，否则会报错。

     为什么需要规定把tensor放在哪个图里呢？因为，在编写比较复杂的程序时，不同的tensor可能需要被放在不同的graph里。例如，在需要对多个tensor进行并行计算时，我们可以把它们放进不同的graph里，然后分别丢给不同的session去run。

    最后，我们可以通过一段代码来更直观地感受下values的作用。这段代码对比了在with tf.name_scope中使用values和不使用values的区别。可以看出，不用values时，在with tf.name_scope中声明的tensor都被放进了当前的“默认图”中。使用values时，在with tf.name_scope中声明的tensor被放进了tensor A所在的图中，即graph_tensor这个图中。

graph_tensor = tf.Graph()
with graph_tensor.as_default():
    A = tf.constant(1)

graph_1 = tf.Graph()
graph_1.as_default()
with tf.name_scope(None, "namescope_1"):
    op1 = tf.constant(0)

graph_2 = tf.Graph()
graph_2.as_default()
with tf.name_scope(None, "namescope_2",[A]):
    op2 = tf.constant(0)

print(op1.graph == graph_tensor) # 输出 false
print(op2.graph == graph_tensor) # 输出 true 

#结论 一个tf.name_scope里的新声明的tensor被放在了values所在的图里